Các mô hình YOLO27 đang trong giai đoạn R&D cuối cùng, dự kiến ra mắt vào cuối năm nay. Các mô hình chưa sẵn sàng và chưa có ngày ra mắt chính thức. Trang này cung cấp bản xem trước cho các mô hình sắp tới; các tính năng và điểm chuẩn có thể thay đổi trước khi phát hành. Các ví dụ mã nguồn dưới đây được thiết kế để sử dụng sau khi các mô hình và gói hỗ trợ được phát hành, và sẽ không hoạt động với gói công khai hiện tại. Trọng số mô hình, cấu hình và mã nguồn triển khai chưa được phát hành tại thời điểm này.
Ultralytics YOLO27#
Tổng quan#
Ultralytics YOLO27 là một dòng mô hình thị giác thời gian thực có các mô hình phát hiện sử dụng hai thiết kế bổ trợ cho nhau: kiến trúc CNN được tinh gọn cho các mô hình N và S nhỏ gọn, cùng một kiến trúc dựa trên truy vấn, không cần NMS cho các mô hình M và L lớn hơn. Cả hai thiết kế đều là dạng đầu cuối và được triển khai thông qua cùng một giao diện.
YOLO27 là dòng mô hình sắp ra mắt trong chuỗi Ultralytics YOLO, kế nhiệm YOLO26. Mô hình này có bốn kích thước — N, S, M và L — và hỗ trợ nhận diện đối tượng, phân đoạn cá thể, phân đoạn ngữ nghĩa, ước tính độ sâu, phân loại, ước tính tư thế và nhận diện đối tượng định hướng. Sự phân tách hai thiết kế áp dụng cho phần nhận diện; tất cả các tác vụ khác đều sử dụng kiến trúc CNN.
Trên cả bốn thang đo phát hiện, YOLO27 đạt 42.3-60.4 mAP trên COCO ở mức độ trễ 0.62-2.32 ms trên NVIDIA RTX PRO 6000 — và lên tới 61.2 mAP với YOLO27l ở kích thước đầu vào lớn hơn 800 pixel. YOLO27l là mô hình Ultralytics đầu tiên vượt mốc 60 mAP trên COCO, trong khi các dòng nhỏ gọn YOLO27n/s cải thiện độ chính xác so với YOLO27n/s ở cùng một tốc độ.
from ultralytics import YOLO
model = YOLO("yolo27n.pt") # load a pretrained YOLO27n model
results = model("path/to/bus.jpg") # run inferenceTính năng chính#
-
Phát hiện hai thang đo Các bộ phát hiện tiêu chuẩn dự đoán đối tượng trên ba bản đồ đặc trưng — tinh, trung bình và thô. YOLO27 N và S loại bỏ bản đồ trung bình và chỉ dự đoán trên bản đồ tinh (cho đối tượng nhỏ) và bản đồ thô (cho đối tượng lớn), với tỷ lệ cố định trên các đặc trưng đã hợp nhất giúp giữ cho hai thang đo cân bằng. Điều này loại bỏ phần lớn khối lượng tính toán của đầu phát hiện, giúp các mô hình chạy nhanh hơn trong khi vẫn huấn luyện ổn định như thiết kế ba thang đo đầy đủ.
-
Phát hiện đối tượng nhỏ mạnh mẽ hơn Giai đoạn đặc trưng ban đầu có độ phân giải cao được mở rộng để có thể nắm bắt nhiều chi tiết tinh tế hơn. Kết hợp với bản đồ dự đoán tinh còn lại, điều này cải thiện khả năng định vị và hồi quy cho các đối tượng nhỏ — danh mục khó khăn nhất đối với các mô hình nhỏ gọn.
-
Giám sát căn chỉnh nền trước Trong quá trình huấn luyện, một nhánh trọng lượng nhẹ bổ sung học cách phân biệt "đối tượng" với "nền" tại mọi vị trí. Nhánh này được thiết kế để thu hẹp khoảng cách giữa giám sát một-nhiều dày đặc được sử dụng trong quá trình huấn luyện và đầu một-một đưa ra các dự đoán cuối cùng — cắt giảm khoảng cách độ chính xác đó từ 0.9/0.8 mAP trên YOLO26n/s xuống chỉ còn 0.4 mAP trên YOLO27n/s, do đó đầu một-một được triển khai vẫn giữ lại gần như toàn bộ độ chính xác từ thời điểm huấn luyện. Nhánh này chỉ được sử dụng trong quá trình huấn luyện và bị loại bỏ khi suy luận và xuất mô hình, do đó không tốn chi phí khi triển khai.
-
Phát hiện dựa trên truy vấn không cần NMS Các mô hình lớn hơn thay thế việc dự đoán dày đặc bằng một bộ giải mã transformer nhằm tinh chỉnh một tập hợp cố định các truy vấn đối tượng và xuất thẳng ra kết quả phát hiện cuối cùng — không cần xử lý hậu kỳ non-maximum suppression. YOLO27m kết hợp bộ giải mã này với phần xương sống tích chập kiểu YOLO26 đã được kiểm chứng, trong khi YOLO27l giữ nguyên phần cổ FPN/PAN và thay thế bằng phần xương sống UltraViT sử dụng cơ chế tự chú ý ở tầng sâu nhất để nắm bắt ngữ cảnh toàn cục.
-
Một giao diện đơn giản Cả hai kiến trúc đều được sử dụng thông qua cùng một
YOLOgiao diện Python. Đường ống huấn luyện, xác thực, dự đoán và xuất được chọn tự động dựa trên mô hình, vì vậy mã được viết cho một tỷ lệ YOLO27 sẽ hoạt động mà không cần thay đổi đối với các tỷ lệ còn lại.
Nên sử dụng YOLO27 nào?#
Hướng dẫn sau đây dành cho việc chọn mô hình sau khi YOLO27 được phát hành. Đối với các dự án hiện tại, hãy sử dụng YOLO26.
- YOLO27n / YOLO27s — thiết bị biên, drone và video thời gian thực: các mô hình nhanh nhất trong dòng, với tính năng phát hiện đối tượng nhỏ được cải thiện từ thiết kế hai thang đo. Xem phần NVIDIA Jetson và Raspberry Pi để biết cách triển khai cụ thể cho từng thiết bị.
- YOLO27m — điểm cân bằng hoàn hảo giữa độ chính xác và tốc độ trên GPU: cải thiện 3.2 mAP so với YOLO26m ở cùng mức độ trễ, trở thành lựa chọn mặc định cho việc triển khai GPU trong môi trường sản xuất.
- YOLO27l — các ứng dụng đòi hỏi độ chính xác cao: mô hình Ultralytics đầu tiên vượt mốc 60 mAP trên COCO, đạt 61.2 mAP ở kích thước đầu vào lớn hơn trong khi vẫn duy trì thời gian thực trên GPU.
Để so sánh với các dòng khác, hãy xem tất cả các mô hình Ultralytics. Để đo lường sự đánh đổi giữa độ chính xác và tốc độ trên phần cứng của riêng bạn thay vì phần cứng của chúng tôi, hãy xem Chế độ Benchmark.
Các task và mode được hỗ trợ#
Bảng sau đây cung cấp bản xem trước về các tác vụ và chế độ hỗ trợ dự kiến trên bốn quy mô mô hình YOLO27. Dấu kiểm cho biết sự hỗ trợ dự định khi phát hành, không phải tính khả dụng công khai hiện tại; tất cả các tệp mô hình được liệt kê đều chưa được phát hành.
| Model | Tên tệp | Task | Training | Validation | Inference | Export |
|---|---|---|---|---|---|---|
| YOLO27 | yolo27n.pt yolo27s.pt yolo27m.pt yolo27l.pt | Detection | ✅ | ✅ | ✅ | ✅ |
| YOLO27-seg | yolo27n-seg.pt yolo27s-seg.pt yolo27m-seg.pt yolo27l-seg.pt | Phân đoạn instance | ✅ | ✅ | ✅ | ✅ |
| YOLO27-sem | yolo27n-sem.pt yolo27s-sem.pt yolo27m-sem.pt yolo27l-sem.pt | Semantic Segmentation | ✅ | ✅ | ✅ | ✅ |
| YOLO27-depth | yolo27n-depth.pt yolo27s-depth.pt yolo27m-depth.pt yolo27l-depth.pt | Depth Estimation | ✅ | ✅ | ✅ | ✅ |
| YOLO27-cls | yolo27n-cls.pt yolo27s-cls.pt yolo27m-cls.pt yolo27l-cls.pt | Classification | ✅ | ✅ | ✅ | ✅ |
| YOLO27-pose | yolo27n-pose.pt yolo27s-pose.pt yolo27m-pose.pt yolo27l-pose.pt | Tư thế/Keypoint | ✅ | ✅ | ✅ | ✅ |
| YOLO27-obb | yolo27n-obb.pt yolo27s-obb.pt yolo27m-obb.pt yolo27l-obb.pt | Phát hiện định hướng | ✅ | ✅ | ✅ | ✅ |
Các mô hình Phát hiện, Phân đoạn, Tư thế và OBB của YOLO27 cũng hoạt động với Chế độ theo dõi, chạy dựa trên chế độ dự đoán để theo dõi nhiều đối tượng qua các khung hình video.
Phát hiện YOLO27 sử dụng hai thiết kế dưới một giao diện: các quy mô N và S sử dụng kiến trúc CNN được tinh gọn, trong khi các quy mô M và L sử dụng kiến trúc dựa trên truy vấn không cần NMS. Tất cả các tác vụ khác đều sử dụng kiến trúc CNN.
Metrics hiệu năng#
Độ chính xác phát hiện được báo cáo trên tập dữ liệu xác thực COCO. Xem Số liệu hiệu suất YOLO để biết giải thích về mAP, độ chính xác (precision) và độ thu hồi (recall). Tốc độ suy luận được đo trên NVIDIA RTX PRO 6000
(TensorRT 11, FP16) cho GPU và AMD EPYC 9655 (ONNX Runtime, FP32) cho CPU. Sau khi phát hành, các con số độ chính xác có thể được tái tạo
chính xác bằng yolo val model=yolo27n.pt data=coco.yaml.
Các kết quả nghiên cứu này có thể thay đổi trong quá trình R&D cuối cùng. Trọng số công khai và hướng dẫn tái tạo sẽ đi kèm khi phát hành.
Xem Tài liệu Phát hiện để biết các ví dụ sử dụng với các mô hình này được huấn luyện trên COCO, bao gồm 80 lớp được huấn luyện trước. Bảng sử dụng đầu vào 640 pixel; phần tổng quan cũng báo cáo YOLO27l ở kích thước 800 pixel.
| Model | kích thước (pixel) | mAPval 50-95 | Tốc độ CPU ONNX (ms) | Tốc độ RTX PRO 6000 TensorRT11 (ms) | tham số (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO27n | 640 | 42.3 | 16.1 ± 1.6 | 0.62 ± 0.00 | 3.0 | 7.2 |
| YOLO27s | 640 | 49.6 | 33.2 ± 0.1 | 0.79 ± 0.00 | 11.8 | 28.2 |
| YOLO27m | 640 | 55.8 | 67.2 ± 0.3 | 1.39 ± 0.00 | 22.8 | 65.0 |
| YOLO27l | 640 | 60.4 | 149.6 ± 1.4 | 2.32 ± 0.00 | 72.3 | 165.3 |
Các giá trị tham số Params và FLOPs áp dụng cho model đã gộp sau khi gấp Conv/BatchNorm và loại bỏ nhánh phát hiện không sử dụng. Các phép đo tốc độ chọn phần đầu không cần NMS với nms=False. Các checkpoint đã huấn luyện trước giữ nguyên kiến trúc huấn luyện đầy đủ và có thể hiển thị số lượng cao hơn.
Ví dụ sử dụng#
Các ví dụ này minh họa API YOLO27 dự kiến sau khi trọng số mô hình và gói hỗ trợ được phát hành. Chúng không thể chạy với gói công khai ultralytics hiện tại.
Phần này cung cấp các ví dụ huấn luyện và suy luận YOLO27 đơn giản. Để có tài liệu đầy đủ về các phần này và các chế độ khác, hãy xem các trang tài liệu Predict, Train, Val và Export. Đối với tập dữ liệu tùy chỉnh, hãy xem Mẹo để có kết quả huấn luyện tốt nhất và Hướng dẫn tinh chỉnh siêu tham số.
Lưu ý rằng ví dụ dưới đây dành cho các mô hình Detect YOLO27 dùng cho nhận diện đối tượng. Để biết thêm các tác vụ được hỗ trợ, hãy xem tài liệu Segment và Classify.
Các mô hình *.pt được huấn luyện trước bằng PyTorch cũng như các tệp cấu hình
*.yaml có thể được truyền vào lớp YOLO() để tạo một thể hiện mô hình trong Python:
from ultralytics import YOLO
# Load a COCO-pretrained YOLO27n model
model = YOLO("yolo27n.pt")
# Run inference with the YOLO27n model on the 'bus.jpg' image
results = model("path/to/bus.jpg")
# Train the model on the COCO8 example dataset for 100 epochs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)Hiện tại chỉ có bản xem trước tài liệu này. Trọng số mô hình, cấu hình và mã nguồn triển khai YOLO27 vẫn chưa được phát hành. Hướng dẫn phát hành sẽ được bổ sung vào trang này khi các mô hình có sẵn.
FAQ#
- Phát hiện hai thang đo (N/S): loại bỏ bản đồ dự đoán trung bình để có đầu nhanh hơn với độ chính xác cạnh tranh
- Phát hiện đối tượng nhỏ mạnh mẽ hơn (N/S): giai đoạn đặc trưng ban đầu được mở rộng giúp cải thiện việc định vị đối tượng nhỏ
- Giám sát căn chỉnh nền trước (N/S): giảm khoảng cách độ chính xác từ một-nhiều so với một-một từ 0.9/0.8 mAP trên YOLO26n/s xuống còn 0.4 mAP trên YOLO27n/s, mà không tốn chi phí suy luận
- Phát hiện dựa trên truy vấn không cần NMS (M/L): bộ giải mã transformer xuất thẳng ra kết quả phát hiện cuối cùng
- Một giao diện đơn giản: cả hai kiến trúc đều chạy thông qua cùng một lớp
YOLO
Chưa cần thiết — YOLO27 chưa được phát hành. Tiếp tục sử dụng YOLO26 cho các dự án hiện tại. Kết quả sơ bộ cho thấy độ chính xác được cải thiện trên các kích thước mô hình, với YOLO27l vượt mốc 60 mAP trên COCO. Hãy đánh giá các mô hình chính thức được phát hành cho khối lượng công việc của bạn trước khi di chuyển.
Sau khi phát hành, YOLO27 dự định sử dụng cùng một lớp
YOLOvà cùng API train/val/predict/export như YOLO26 — đường ống đúng (CNN hoặc dựa trên truy vấn) được chọn tự động từ mô hình. Việc thay thếyolo26n.ptbằngyolo27n.ptlà thay đổi lựa chọn mô hình dự kiến sau khi có hỗ trợ và trọng số YOLO27.Hầu hết các bộ phát hiện dự đoán trên ba bản đồ đặc trưng ở các độ phân giải khác nhau. YOLO27 N và S giữ lại bản đồ tinh mà các đối tượng nhỏ phụ thuộc và bản đồ thô mà các đối tượng lớn cần, đồng thời bỏ qua bản đồ trung bình. Điều này cắt giảm một phần đáng kể khối lượng tính toán của đầu phát hiện, và các cải tiến huấn luyện ở trên giúp duy trì sự đánh đổi giữa độ chính xác và độ trễ ở mức cạnh tranh.
YOLO27l là mô hình Ultralytics đầu tiên vượt mốc 60 mAP trên COCO, đạt 60.4 mAP với đầu vào 640 pixel (2.3 ms trên NVIDIA RTX PRO 6000) và 61.2 mAP với đầu vào 800 pixel (2.9 ms). Mô hình này kết hợp xương sống UltraViT, sự hợp nhất đặc trưng đa thang đo và bộ phát hiện dựa trên truy vấn tạo ra kết quả phát hiện cuối cùng trực tiếp mà không cần NMS.
YOLO27 đang trong giai đoạn R&D cuối cùng, dự kiến ra mắt vào cuối năm nay. Chưa có ngày ra mắt chính thức nào được ấn định. Trọng số mô hình và mã nguồn triển khai chưa được công bố.
Khi YOLO27 được phát hành, hãy xem Khởi động nhanh để cài đặt hoặc cập nhật gói
ultralytics, sau đó tải mô hình như được hiển thị bên dưới. Ví dụ này dùng để sử dụng sau khi phát hành:from ultralytics import YOLO # Load a pretrained YOLO27 nano model model = YOLO("yolo27n.pt") # Run inference on an image results = model("image.jpg")Xem phần Ví dụ sử dụng để biết hướng dẫn huấn luyện, validation và export.